Многомодовый ионно-управляемый транзистор на основе 2D-суперионного проводника для вычислений в памяти в глубоком обучении

Умнее чипы, вдохновлённые мозгом

Современный искусственный интеллект творит чудеса, но потребляет много энергии — главным образом потому, что сегодняшние чипы постоянно передают данные между памятью и процессорами. В этой статье описан новый тип миниатюрного электронного устройства, которое ведёт себя немного больше похоже на синапс, связь между нейронами. За счёт совмещения вычислений и формирования сигналов в одном месте такие устройства могут сделать будущие аппаратные средства ИИ быстрее и значительно экономичнее по энергии, что принесёт пользу от смартфонов до периферийных датчиков в автомобилях и носимых медицинских устройств.

Почему современное аппаратное обеспечение ИИ тратит ресурсы впустую

Большинство алгоритмов ИИ опираются на два основных шага: умножение и суммирование чисел для комбинирования сигналов, а затем применение нелинейной «активации», которая решает, какие паттерны важны. Обычные чипы выполняют эти шаги в разных блоках. Данные приходится многократно преобразовывать между цифровой и аналоговой формами и перемещать по чипу, что занимает время и энергию. Инженеры хотели бы иметь одно физическое устройство, которое могло бы одновременно хранить силу соединения и задавать нелинейность, похожую на активацию, но типичные электронные компоненты хорошо справляются только с одной из этих задач. При попытке выполнять обе они обычно становятся нестабильными или теряют точность.

Новый строительный блок транзистора

Авторы предлагают транзистор, собранный из ультратонких слоистых кристаллов, который решает эту проблему неожиданным образом. Устройство использует двумерный материал CdPS3-Li в качестве специализированного ион-проводящего слоя, уложенного вместе с другим двумерным полупроводником MoS2, который переносит электрический ток. В слое CdPS3-Li содержатся ионы лития, которые легко перемещаются в одних направлениях, но препятствуют движению в других, а также присутствуют пустые места (вакансии), способные захватывать заряды. При приложении электрического импульса ионы лития дрейфуют к границе с MoS2 и остаются там, сильно меняя проводимость устройства. При облучении устройства светом заряды, создаваемые в MoS2, захватываются в этих вакансиях, что приводит к богатым, зависящим от времени откликам.

Преобразование света и электричества в сигналы, похожие на мозговые

Благодаря такому дизайну один и тот же транзистор естественным образом поддерживает два очень разных, но взаимодополняющих поведения. При электрических импульсах он предлагает множество стабильных уровней сопротивления, которые меняются плавно и предсказуемо, действуя как настраиваемые веса в нейронной сети. Эти уровни невольатильны, то есть сохраняются после окончания импульса, и устройство может надёжно переходить через десятки различных состояний без износа. При световых импульсах, напротив, ток увеличивается, а затем убывает по кривой, которую можно близко аппроксимировать функциями, широко используемыми как активационные кривые в глубоком обучении. Путём настройки интенсивности, длительности и числа световых импульсов исследователи могут управлять скоростью затухания отклика, фактически «программируя» разные профили активации в аппаратуре.

От отдельных устройств к работающим массивам для ИИ

Чтобы показать, что это не просто лабораторное любопытство, команда собрала массивы таких транзисторов и подключила их для выполнения частей реальной нейронной сети. Один массив выполняет операцию умножения и суммирования: сохранённое сопротивление каждого устройства представляет вес, а приложенные напряжения по сетке позволяют токам естественным образом суммироваться в соответствии с законами электрических схем. Второй, меньший массив подвергается тщательно синхронизированным световым импульсам, так что его затухающие токи реализуют этап активации. Координируя эти два модуля с помощью привычной управляющей электроники, исследователи обучили сеть распознавать рукописные цифры, достигнув точности выше 97 процентов — сопоставимо с чисто цифровыми системами, но достигнуто с компонентами, которые по своей природе объединяют память и обработку.

Что это значит для повседневных технологий

Для неспециалиста основная мысль в том, что эти новые ионные, чувствительные к свету транзисторы ведут себя гораздо ближе к биологическим синапсам, чем традиционные кремниевые ключи. Они могут запоминать силу соединений, по-разному реагировать на электрические и оптические сигналы и при этом делать это с чрезвычайно низким энергопотреблением на операцию. Хотя они ещё не готовы заменить чипы в вашем телефоне завтра, они указывают на будущее, где аппаратное обеспечение ИИ будет более плотным, эффективным и похожим на мозг. Такие достижения в конечном итоге могут позволить мощным обучаемым системам помещаться в небольшие устройства с батарейным питанием, приближая умные функции сбора данных и принятия решений к источнику данных.

Цитирование: Tong, B., Du, T., Du, J. et al. Multimodal ion-gated transistor based on 2D superionic conductor for in-memory computing in deep learning. Nat Commun 17, 4127 (2026). https://doi.org/10.1038/s41467-026-70587-w

Ключевые слова: нейроморфные вычисления, вычисления в памяти, ионно-управляемый транзистор, 2D-материалы, аппаратное обеспечение для глубокого обучения